Qu’est-ce que les données non étiquetées ?

Les données non étiquetées désignent des éléments de données dépourvus d’identifiants ou de classifications explicites. Ces données n’arrivent pas avec des « tags » ou des « étiquettes » indiquant leurs caractéristiques, ce qui rend leur interprétation plus délicate. Leur valeur reste pourtant indéniable lorsque l’exploration, plutôt que la direction, est l’objectif principal.

Les données non étiquetées, en clair

Pour aller plus loin, imaginez des données non étiquetées comme un tas de photos non triées. À la différence d’un album annoté, où chaque photo comporte des informations sur les personnes, le lieu ou la date, ce tas ne fournit aucun contexte direct. Vous pouvez toujours en tirer des enseignements en les examinant, mais le processus est moins immédiat.

Dans l’univers de l’apprentissage automatique, les données non étiquetées sont surtout utilisées dans les modèles d’apprentissage non supervisé. Ici, l’algorithme parcourt ce type de données pour y déceler des motifs, des corrélations ou des groupes, sans indication préalable sur ce qu’il doit chercher. Cela contraste avec les données étiquetées de l’apprentissage supervisé, où chaque point de données est associé à une étiquette qui guide l’apprentissage.

Quels sont les avantages des données non étiquetées ?

• Abondance. Internet et nos interactions numériques génèrent une quantité considérable de données non étiquetées. Exploiter ce gisement peut offrir des insights riches et variés.
• Découverte de motifs cachés. Les données non étiquetées peuvent révéler des corrélations ou des regroupements qui seraient passés inaperçus avec des données uniquement étiquetées, où l’analyse est souvent plus étroite et prédéfinie.
• Économies. Créer des données étiquetées peut être coûteux et long. Travailler avec des données non étiquetées permet d’éviter ces coûts.

Quelles sont les limites des données non étiquetées ?

• Complexité accrue. Les algorithmes d’apprentissage non supervisé exigent souvent de grands volumes de données pour capter fidèlement les structures sous-jacentes. À mesure que le volume augmente, la complexité de calcul et les besoins en mémoire croissent aussi, ce qui peut poser des défis de passage à l’échelle.
• Qualité incertaine. Si les données sont bruyantes ou peu pertinentes, le modèle peut apprendre de mauvais motifs, aboutissant à des résultats sous-optimaux, erronés ou peu utiles. Les modèles non supervisés sont également susceptibles de surapprentissage, notamment avec des jeux de données complexes : le modèle apprend alors le bruit plutôt que la structure, ce qui dégrade la généralisation sur des données inédites.
• Interprétation difficile. En l’absence de pré-classification, interpréter la sortie d’un modèle non supervisé peut s’avérer complexe. Les résultats prennent souvent la forme de clusters, d’associations ou de motifs ; les relier à des implications métier concrètes est délicat, surtout avec des données de grande dimension ou des relations complexes.
• Absence de vérité terrain. Sans données étiquetées, il n’existe pas de méthode définitive pour évaluer la performance d’un modèle non supervisé, ce qui complique la mesure de sa précision et de son efficacité.

Comment utiliser des données non étiquetées ?

Les données non étiquetées trouvent leur principal usage dans l’apprentissage non supervisé. Des algorithmes comme le clustering K-means, le clustering hiérarchique ou l’Analyse en composantes principales (ACP) permettent d’identifier des motifs et d’extraire des insights utiles. Par exemple, l’ACP peut simplifier les données sans perdre d’informations essentielles, facilitant ainsi les analyses ultérieures.

Exemples d’usages concrets des données non étiquetées

• Segmentation clients. Les entreprises peuvent analyser l’historique d’achats et les données démographiques pour identifier des groupes de clients et mieux comprendre leurs préférences.
• Détection d’anomalies. Un système de détection d’anomalies peut repérer des attaques par déni de service distribué (DDoS) et alerter les équipes cybersécurité afin qu’elles agissent immédiatement pour atténuer l’attaque et protéger l’infrastructure réseau.
• Détection de fraude. Les banques et institutions financières peuvent détecter des schémas de dépenses et des transactions atypiques pouvant indiquer des activités frauduleuses ou malveillantes.
• Reconnaissance d’images et de vidéos. Des modèles d’apprentissage automatique peuvent être entraînés à reconnaître des objets, des scènes ou des motifs dans des images et des vidéos en utilisant des données non étiquetées.

Idée de projet : exploiter des données non étiquetées sur l’alcool pour définir une stratégie marketing

J’ai travaillé sur de nombreux jeux de données non étiquetées, mais un projet marquant a consisté à analyser des données sur les boissons alcoolisées pour bâtir une stratégie promotionnelle. Vous trouverez ci-dessous une liste de conseils pour manipuler et analyser des données non étiquetées. L’intégralité du code et l’explication du projet sont disponibles ici.

1. Charger le jeu de données avec pandas.
2. Vérifier les valeurs nulles, les corrélations entre colonnes et la distribution des données avec pandas et Seaborn.
3. Imputer les valeurs manquantes par la moyenne, la médiane ou le mode.
4. Créer des colonnes de longitude et latitude avec geopy pour permettre l’analyse géospatiale.
5. Cartographier la consommation d’alcool avec Plotly pour visualiser les données géographiques.
6. Produire d’autres visualisations avec Seaborn afin de comprendre les tendances dans le temps.
7. Utiliser Plotly Animation pour créer un tableau de bord interactif à destination des parties prenantes.
8. Employer la méthode du coude pour déterminer le nombre optimal de clusters pour K-means.
9. Effectuer le clustering K-means et visualiser les résultats sur un nuage de points avec des couleurs distinctes par cluster.
10. Analyser les clusters pour comprendre les motifs.
11. Réaliser un clustering hiérarchique et visualiser les résultats avec un dendrogramme.
12. Sur la base de l’analyse des clusters, identifier les 8 villes les plus adaptées à une campagne marketing.

J’ai beaucoup apprécié ce projet et en ai tiré des enseignements précieux sur le jeu de données et l’entreprise. Grâce à des techniques statistiques, nous avons mis au jour des motifs cachés dans ce jeu de données non étiquetées qui peuvent vous aider, vous et votre équipe, à élaborer une stratégie optimale.

Vous souhaitez en savoir plus sur l’IA et l’apprentissage automatique ? Découvrez les ressources suivantes :

• Cours Understanding machine learning
• Cours Understanding AI
• Cours Learn ChatGPT
• Qu’est-ce que l’apprentissage automatique ?